最近在學習深度強化學習，模擬環境gym下的很多元件windows下不支援，只能移步linux，在linux下安裝tensorflow-gpu經常會出現各種奇奇怪怪令人生無可戀的問題，總是耗時耗力直到絕望，好在多次安裝，跳過各種坑，網上經常難以找到稱手的教程，自己寫一個，以後用，同時獻給需要的小夥伴們。

首先目前tensorflow的gpu版支援cuda計算架構，對opencl也開始支援，但不是很好。cuda是nvidia的架構，因此AMD顯示卡的小夥伴就不要嘗試了，默默祈禱好用的opencl版本吧。

1、系統配置

本人使用N年前古董本Thinkpad W530。顯示卡為Quadro K1000M ，計算能力勉強達到3.0。考慮到Tensorflow的穩定執行，沒有使用最新的18.04 LTS，而是使用了ubuntu 16.04 LTS，畢竟這個版本官方支援到2020年，已經夠用了。（2020年本人可能已經因為年齡太大被掃地出門，在某個街道翻垃圾桶為生了）

2、軟體需求

官網給出的需求列表如下：

• NVIDIA® GPU drivers —CUDA 9.0 requires 384.x or higher.
• CUDA® Toolkit —TensorFlow supports CUDA 9.0.
• CUPTI ships with the CUDA Toolkit.
• cuDNN SDK (>= 7.2)
• (Optional) NCCL 2.2 for multiple GPU support.
• (Optional) TensorRT 4.0 to improve latency and throughput for inference on some models.

安裝ubuntu後，預設顯示卡驅動為社群維護的第三方開源驅動，而要使用CUDA必須安裝官方384.X版本以上驅動。雖然安裝CUDA的時候會安裝NVIDIA最新的驅動，但需要停用預設驅動，配置繁瑣，易出錯。先通過如下方式安裝一個官方驅動，安裝CUDA時會方便很多。首先，開啟終端，更新軟體源，sudo apt-get update 。在系統設定|軟體和更新|附加驅動中選擇官方驅動，點選應用更改（有時點一次不管用，需要點多次！！！），如下圖所示，安裝之時忘記截圖了，這張是後補的，不太一樣，但選專用驅動就好了。

安裝後，在系統中搜索NVIDIA，找到NVIDIA X server setting，說明官方驅動安裝成功，雙顯示卡要確定當前使用的是獨顯，如下所示。

安裝CUDA。本打算按照官網提供的方法安裝CUDA，但執行以上命令，直接報錯，如下圖。

wget http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1604/x86_64/nvidia-machine-learning-repo-ubuntu1604_1.0.0-1_amd64.deb

無奈，只能自行安裝，根據CUDA安裝說明，可以新增相應軟體源，然後使用apt安裝。在終端中輸入以下命令：

sudo apt-key adv --fetch-keys http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/7fa2af80.pub
wget http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/cuda-repo-ubuntu1604_9.1.85-1_amd64.deb
sudo apt install ./cuda-repo-ubuntu1604_9.1.85-1_amd64.deb
sudo apt-get update

雖然看似只添加了CUDA9.1的源，其實可以安裝任何版本，如果不指定版本，會安裝最新的CUDA，我安裝了CUDA10，之後開始安裝，按需選擇：

sudo apt-get install cuda

要需要安裝CUDA9.0的，執行sudo apt-get install cuda9.0，安裝cuda後可以執行如下命令，測試cuda是否裝好，結果如下。

cd /usr/local/cuda-10.0/
cd ./samples/1_Utilities/deviceQuery
sudo make
sudo ./deviceQuery 

3、安裝tensorflow

之後的必須元件，我使用了一種比較方便的辦法。首先安裝anaconda ，tensorflow目前不支援python3.7，推薦安裝anaconda5.1版 ，如果安裝最新anaconda，需要新建python3.6的虛擬環境。安裝完成後，接著執行以下命令：

conda install tensorflow-gpu

 如果安裝過程中提示許可權問題，執行以下命令，更改所有者。

 sudo chown -R yzp:yzp ~/anaconda3

 conda會安裝所有必需元件，對於可選元件，可以根據需要自行安裝。好了，現在可以見證奇蹟了，列出的可用裝置輸出結果，可以看到GPU。

In [1]:from tensorflow.python.client import device_lib

In [2]:device_lib.list_local_devices()
Out[2]: 
[name: "/device:CPU:0"
 device_type: "CPU"
 memory_limit: 268435456
 locality {
 }
 incarnation: 7784159223744263143, name: "/device:GPU:0"
 device_type: "GPU"
 memory_limit: 1512570880
 locality {
   bus_id: 1
   links {
   }
 }
 incarnation: 8493799634924620097
 physical_device_desc: "device: 0, name: Quadro K1000M, pci bus id: 0000:01:00.0, compute capability: 3.0"]

跑一段程式碼，在終端中執行,安裝htop監測CPU狀態，執行watch監測顯示卡狀態，結果如下圖，可清楚看到，GPU和CPU在同時使用，GPU利用率很高。

sudo apt-get install htop
watch -n 10 nvidia-smi
htop